编辑推荐：
为解决厄尔尼诺 - 南方涛动（ENSO）预测难题，研究人员开展融合动力模型与深度学习（DL）模型预测 ENSO 的研究。结果表明两种融合策略均显著优于单一预测，能提升预测技能，对气候预测意义重大。
在气候研究领域，厄尔尼诺 - 南方涛动（El Ni?o - Southern Oscillation，ENSO）如同一只无形却威力巨大的 “气候大手”，深刻影响着全球气候和人类社会。它能通过大气遥相关，让不同地区的气候发生显著变化，进而影响农业生产、水资源分布、生态系统平衡等多个方面。然而，ENSO 的预测却如同一场艰难的挑战，一直困扰着气候研究人员。
半个多世纪以来，尽管科学家们在 ENSO 预测方面付出诸多努力，却始终面临着一个棘手的难题 ——ENSO 春季可预报性障碍（Spring Predictability Barrier，SPB）。这一障碍使得在北半球春季时，无论从哪个初始月份开始预测，预测技能都会迅速下降。过去，人们主要采用动力模型和统计模型来进行 ENSO 预测。动力模型依据海洋 - 大气系统的物理方程构建，从简化物理模型到先进的完全耦合环流模型都有应用；统计模型则依赖历史观测数据集，运用各种回归和机器学习策略。但这两种方法都存在明显缺陷，动力模型受模型系统误差和初始化问题的困扰，统计模型则受观测数据长度和统计模型本质的限制，导致长期以来这两种预测方式的技能不相上下。
随着科技的发展，深度学习（Deep Learning，DL）模型逐渐崭露头角，被应用于 ENSO 预测领域。与传统统计模型不同，多数 DL 模型基于大量气候模型模拟数据进行训练，展现出比多数单个动力模型更强的预测能力。不过，如何有效整合 DL 模型和动力模型的优势，进一步提升 ENSO 预测技能，仍然是一个亟待深入研究的重要课题。
为了解开这一难题，中国海洋大学前沿科学中心、俄亥俄州立大学等多机构研究人员展开了深入研究。他们的研究成果发表在《Nature Communications》上，为 ENSO 预测带来了新的曙光。
在研究方法上，研究人员使用了多种技术。他们获取欧洲中期天气预报中心海洋再分析系统 5（ORAS5）1982 - 2018 年的海表温度（SST）和海表高度（SSH）数据，以及 31 个 CMIP6 模型 1900 - 2014 年历史模拟的 SST 和 SSH 数据。运用卷积神经网络（Convolutional Neural Networks，CNN）和 3D - Geoformer 这两种 DL 模型进行预测，同时选取北美多模式集合（NMME）中 8 个完全耦合模型的历史集合后报数据作对比。通过计算异常相关系数（ACC）和均方根误差（RMSE）来评估预测技能，并利用自助法（Bootstrap）计算置信区间。
研究结果主要分为以下几个方面：
- DL 预测与动力预测对比：研究发现，虽然多数单个 NMME 动力模型的 ENSO 预测技能低于近期 DL 模型，但 NMME 动力模型的集合平均预测技能与 DL 预测相当。以 CNN 和 3D - Geoformer 模型为例，它们的全年预测 Ni?o3.4 指数的 ACC 在达到 0.5 的有用预测技能阈值时，可延伸至 16 - 18 个月超前预测，且在春季预测时，DL 模型的 ACC 也显著高于多数单个 NMME 模型。不过，动力模型集合平均的预测技能在全年预测和跨越 SPB 预测时，与这两种 DL 模型相当。从空间分布看，春季动力模型集合平均的 ACC 在中东部太平洋地区高于 3D - Geoformer 模型，尽管在较长超前时间下，DL 模型的 ACC 会略高于动力模型集合平均。进一步分析发现，动力模型集合平均预测技能的提升，部分得益于对模型偏差的抑制，模型热带偏差越小，预测技能越高。
- 融合动力 - DL 预测进一步提升 ENSO 预测：鉴于动力模型集合平均与 DL 模型预测技能相当，研究人员提出两种融合动力 - DL 预测策略。策略 1 是对 NMME 动力模型集合平均、CNN 和 3D - Geoformer 的预测结果进行简单平均。该策略显著提升了预测技能，在除 7 - 8 个月超前时间的全年预测以及超过 4 个月超前时间跨越 SPB 的预测中，ACC 均显著高于单一 DL 模型或动力多模型平均。策略 2 则是利用 DL 预测作为 “初猜”，为单个动力模型选择初始条件子集进行集合预测。这一策略不仅改善了单个动力模型的初始条件，还在多个超前时间提升了预测技能。对于 NMME 中 5 个模型，策略 2 的全年预测 ACC 高于该模型原始初始条件下的集合平均预测技能，在跨越 SPB 预测时也有类似表现，且策略 2 对动力模型集合平均的预测也有改进。
在研究结论和讨论部分，研究表明 DL 模型虽比 75% 的单个动力模型预测技能高，但与 NMME 动力模型集合平均相当，这说明动力预测和 DL 预测对提升预测技能都至关重要，应结合二者优势。两种融合策略在不同超前时间下均提升了预测技能，为未来 ENSO 预测技能的进一步提升开辟了道路。不过，这两种策略在实时预测中存在一定局限性。DL 模型会系统性低估 ENSO 事件的峰值强度，这主要源于网络架构对正态分布假设的过度依赖以及训练数据集中极端事件数量有限。此外，两种策略都依赖动力模型和 DL 模型的预测，DL 模型对网格再分析数据集的依赖限制了其实时预测能力。未来研究可通过将物理信息融入 DL 模型、开发利用分散观测数据的 DL 气候预测模型等方式，优化这些策略，提升对极端 ENSO 事件的模拟和实时预测能力。
总的来说，这项研究成果意义重大，为 ENSO 预测提供了新的思路和方法，对气候预测领域的发展具有重要推动作用，有望让人们在面对 ENSO 带来的气候影响时，能够做出更准确的预测和更有效的应对措施。
